Каждая организация тонет в неструктурированном контенте: сканы договоров, накладные, паспорта, акты, чертежи, медицинские справки. Сотрудники вручную перебивают данные в учётные системы, ошибаются и теряют часы. Computer vision и распознавание документов снимают эту нагрузку – но не «волшебной кнопкой», а инженерным конвейером, который нужно собрать под конкретные данные и процессы.

От OCR к интеллектуальной обработке документов

Классический OCR превращает картинку в текст и на этом останавливается. Его недостаточно: бизнесу нужны не символы, а поля – ИНН контрагента, сумма, дата, номер договора, привязанные к нужным ячейкам учётной системы. Этот класс задач называют Intelligent Document Processing (IDP), и он складывается из четырёх шагов.

Сначала – предобработка изображения: коррекция наклона, удаление шума, выравнивание сканов и фотографий с телефона. Затем классификация: модель определяет тип документа в потоке, где договор, накладная и доверенность лежат вперемешку. Дальше извлечение полей и таблиц – здесь работают детекторы объектов и layout-модели, которые понимают пространственную структуру страницы, а не только текст. И финальный шаг – валидация: проверка контрольных сумм, сверка с реестрами, маршрутизация спорных случаев на ручную проверку.

Российский контекст диктует свои требования. Кириллица, рукописный ввод, печати поверх текста, гербовые бланки, специфические формы первичной бухгалтерии – готовые западные сервисы здесь часто промахиваются. Поэтому модели приходится дообучать на отечественных данных, а инфраструктуру держать в собственном контуре.

Vision-модели и мультимодальность 2023 года

Технологический сдвиг этого года – переход от узких распознавателей к мультимодальным моделям, которые принимают изображение и текст одновременно. Document-трансформеры вроде LayoutLM и Donut читают страницу как единое целое: видят, что «120 000 руб.» стоит в колонке «Итого», а не в реквизитах. Это резко поднимает точность на сложных бланках без жёстких шаблонов.

Параллельно крупные языковые модели обрастают зрением, и тот же интерес бизнеса к корпоративному ChatGPT теперь распространяется на обработку визуального контента. Но для госсектора и регулируемых отраслей облачные API остаются проблемой: персональные данные и гостайну в чужой контур не отдашь. Это особенно остро на фоне сворачивания сервисов Microsoft в России – ставка на полностью локальный стек перестала быть теорией и стала условием непрерывности.

Практический вывод: ядром остаются открытые модели, развёрнутые on-premise, дообученные на ваших документах. Облачные LLM со зрением – точечно и только там, где данные позволяют.

Что отличает рабочую систему от демо

Демо на десяти сканах собирается за неделю. Промышленная система живёт годами и упирается в эксплуатацию. Документы меняют формат, появляются новые типы, качество входных сканов плавает и точность модели тихо деградирует.

Поэтому распознавание документов – это не разовая модель, а MLOps-конвейер: версионирование данных и моделей, мониторинг качества на проде, переобучение по накопленным ошибкам, человек в контуре для пограничных случаев. Мы подробно разбирали эти принципы в материале про вывод ML в продакшн – для vision они работают так же.

Такой конвейер собирается под ключ – от пилота на ваших документах до интеграции распознавания с 1С, СЭД и учётными контурами в защищённой инфраструктуре.

Вывод

Распознавание документов окупается там, где есть поток однотипного контента и дорогой ручной труд. Ключ к результату – не выбор «самой умной» модели, а инженерия всего конвейера: предобработка, дообучение на российских данных, валидация и эксплуатация в собственном контуре. Начинать стоит с измеримого пилота на реальном потоке документов, а не с презентации.